Kandinsky 6.0 génère image, mouvement et son dans le même flux, en open source
— AUDIOVISUEL
Kandinsky Lab publie un modèle vidéo-son synchronisé en licence MIT, intégrable directement dans ComfyUI. Un clip de cinq secondes en 480p coûte 0,16 dollar sur fal, de quoi tester des dizaines de variantes pour le prix d'un café.
Cinq secondes de vidéo avec sa bande-son générée dans le même mouvement, dialogue compris, synchronisation labiale comprise : Kandinsky 6.0 fait entrer dans l'open source une capacité jusque-là réservée aux modèles fermés. Le code, les poids et une intégration ComfyUI sont publiés sous licence MIT, ce qui change la nature de l'accès autant que la technique elle-même.
Pour un motion designer ou un réalisateur publicitaire qui produit des formats courts pour les réseaux sociaux, cela veut dire pouvoir installer l'outil dans sa propre chaîne de travail, sans attendre l'autorisation d'une plateforme. Un brief de teaser cinq secondes, voix et ambiance comprises, devient une itération locale plutôt qu'un aller-retour facturé à chaque essai. Sur fal, un clip en 480p avec la version légère s'affiche à 0,16 dollar, de quoi multiplier les variantes d'un storyboard pour quelques centimes avant de choisir la piste à affiner.
L'architecture mise en avant par Kandinsky Lab fait dialoguer une branche image et une branche son en continu, au lieu de poser l'audio après coup comme une couche de montage classique. Concrètement, un bruit de pas suit le cadrage d'une marche, une réplique colle au mouvement des lèvres, sans réglage manuel de synchronisation. C'est précisément ce point de friction, le calage son-image en post-production, qu'un studio facture habituellement en heures supplémentaires.
La limite tient au format. Cinq secondes par génération, cela suffit pour une accroche ou un insert, pas pour une séquence narrative complète. Un film publicitaire de trente secondes demandera encore un montage de plusieurs fragments, avec les raccords que cela implique sur la continuité des voix et des ambiances.
Reste que la disponibilité du modèle sur Hugging Face, son intégration directe dans ComfyUI et son prix cassé face aux générateurs propriétaires en font un outil d'exploration immédiatement testable, pas une simple démonstration de recherche. Les studios qui travaillent déjà avec des pipelines ouverts gagnent un brique supplémentaire à assembler, sans dépendre d'un abonnement fermé.
Le terrain de jeu s'élargit pour qui bricole ses propres workflows vidéo. La question qui se pose dès demain matin, c'est combien de temps avant qu'un plan de cinq secondes généré ainsi passe inaperçu dans un montage final.